带标签信息子字典级联学习的复合电能质量扰动识别方法

针对传统字典学习方法的训练样本信号单一、重构效果差等缺点,提出一种带标签信息子字典级联的学习方法,对电能质量扰动信号进行扰动识别。该方法首先对不同类别电能质量扰动测试和训练样本采用主成分分析方法进行降维特征提取,对训练样本添加标签信息,其次对不同类别的电能质量样本训练成冗余子字典并级联成结构化字典,最后将级联的字典优化学习并由冗余误差最小值来判断目标的归属类别。仿真实验结果表明,该方法下的识别效果优于支持向量机(SVM)和稀疏表达分类(SRC),抗噪声鲁棒性更强,在信噪比20 dB以上的环境中电能质量复合扰动识别率达到91.40%以上。     

基于单向表示字典学习的电能质量扰动识别方法

电能质量扰动识别是电能质量数据分析问题中极其重要的一个部分。目前已经实现的电能质量扰动识别方法普遍存在识别速度较慢,识别准确率仍有较大提升空间等问题。本文提出一种计算简单但能有效识别分类的方法,即基于单向表示字典学习的电能质量扰动识别方法。首先对电能质量数据的训练样本进行训练得到与各个类别对应的子字典,提出单向约束以使样本在字典中的表示系数方向可以区分,然后通过计算测试样本的表示系数方向以及大小来区分所属类别。实验结果表明,本文所提方法不但识别准确度高于已有的识别方法,而且计算效率也有较大提升。     

DKSVD和SVM在钢轨裂纹漏磁识别上的对比研究

针对漏磁检测中漏磁信号识别的问题,引入DKSVD字典学习方法来识别缺陷的种类.将实验采集到的数据制作成有标签的数据集,通过OMP算法和SVD算法迭代的优化字典和稀疏系数,构造出最优字典,再用构造出的字典原子重新组合来表示测试集的数据,判别出测试集样本类别.实验证明字典学习方法能够基于训练集的特征重构漏磁信号,对漏磁信号有良好的识别能力.在不同数据维度下,通过和支持向量机(SVM)算法识别效果进行对比,DKSVD算法取得了更好的效果.     

基于循环神经网络的电能质量扰动识别

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在 Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。     

深度信念网络在电能质量复合扰动识别中的应用

针对电能质量复合扰动信号数据量大、识别效率低的问题,提出一种基于压缩感知理论和深度信念网络的电能质量复合扰动识别方法。首先通过压缩感知理论得到原始扰动信号的测量值,并基于正交匹配追踪算法求得稀疏向量;其次构建深度信念网络分类模型,将稀疏向量作为网络的输入,通过对比散度学习算法训练网络,实现扰动信号的分类;最后对14种常见扰动信号进行仿真验证,仿真结果表明,该方法有效地减少了所需处理的扰动数据量,并且对单一扰动和复合扰动都有效且具有很高的识别效率。     

基于字典原子优化的滑动轴承摩擦状态识别

为了解决滑动轴承摩擦故障诊断困难的问题,结合近年来兴起的稀疏表示理论,提出了一种基于字典原子优化的滑动轴承摩擦状态识别方法。针对监督字典训练算法复杂、运行时间长的缺陷,从字典更新的角度出发,在快速字典SRC的基础上,筛选出不适合分类的交叉字典原子,然后,利用类别本征字典和稀疏系数重构测试样本,由重构残差最小值确定目标归属类别,实现对滑动轴承摩擦状态的识别。柴油机曲轴端滑动轴承实例表明,方法有效简化了判别字典的训练步骤,降低了复杂度,提高了分类效率,识别效率平均为96.69%。     

基于光场的联合稀疏分布式压缩感知

信号的稀疏分解是压缩感知理论的关键问题,冗余字典相较于传统的正交基矩阵,可提供信号的更稀疏表示。首先根据光场相机特征‐光场图像具有图像内和图像间相关性,提出光场中的联合稀疏模型,然后使用基于图像特征训练的冗余字典稀疏表示光场信号,最后通过同时分段正交匹配追踪算法（S‐StOMP）重建稀疏信号,S‐StOMP重建速度较快,可同时重建多个信号。最后通过实验验证了算法的准确性和可靠性。     

基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法EI北大核心CSCD

准确、快速的海底电缆故障分类是海上风电场运维的重要一环。该文提出一种基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法,该方法综合利用故障发生后半周波电流信号的时域特征作为故障分类依据,采用K次奇异值分解(K singular value decomposition,K-SVD)字典学习算法对各类故障信号的特征信息进行学习,构造出准确匹配各类故障本质特征的过完备字典。在学习字典的基础上,提出一种基于混合交替方向乘子法(mixed alternating direction method of multipliers,M-ADMM)的改进稀疏分解算法将故障信号分解为过完备字典与稀疏向量的乘积,结合基于稀疏表示的分类方法实现对故障重构信号的分类。仿真研究结果表明,该改进稀疏分解算法具有精确的信号重构、降噪效果。所提出的故障分类方法无需人工构造故障信号特征,避免了多工况故障信号特征筛选、时频域变换等繁琐流程。与SVM、CNN、LSTM等智能分类算法的对比结果表明,该方法具有较强自适应性的同时不易受故障时刻、故障位置影响且噪声鲁棒性强,可以准确识别海底电缆场景下低阻短路故障类型。     

基于样本熵的电网传输电能质量扰动信号分析

基于样本熵分析了智能电网中常见的电能质量扰动信号。从电能质量扰动信号引起电能信号信息量变化的角度出发,提出了采用样本熵计算不同电能质量扰动信号的数值特征,并结合线性分类器识别相应电能质量扰动信号的算法。给出了样本熵算法应用于识别电网扰动信号分析时适用的参数选择区间,使得算法分类正确率达到了90%。     

基于S变换和最小二乘支持向量机的电能质量扰动识别

采用S变换和最小二乘支持向量机相结合,构建了一种电能质量扰动识别的新方法.首先利用S变换对电能质量扰动信号进行时频分解;然后,从扰动信号S变换的结果中,提取扰动信号的特征向量,组成训练样本和测试样本;最后,使用最小输出编码的最小二乘支持向量机对扰动信号进行训练,实现电能质量扰动信号自动分类和识别.仿真结果表明,该方法识别准确率高,抗噪能力强,且训练时间很短,适用于电能质量扰动辨识系统.     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于稀疏分解的复合电能质量扰动分类

针对复合电能质量扰动分类问题,提出了一种基于稀疏分解的分类新方法。该方法通过构建正余弦字典、脉冲字典将电能质量扰动信号分解为近似部分和细节部分,并从中提取了8个特征量。将特征向量输入改进支持向量机中可实现30种复合扰动的准确分类。基于MATLAB生成数据和真实电网数据的仿真结果表明:针对稀疏分解得到的特征向量,改进支持向量机的分类精度高于BP网络和极限学习机;文中方法对单一扰动及复合扰动均有较强的分类能力,且具有一定的抗噪声能力。     

基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别

针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法。首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类。仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短。     

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动（PQD）信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机（IWOA-SVM）的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。     

Gabor特征和字典学习算法在打印文件鉴别中的应用

为了改善计算机打印文件的自动鉴别性能,提出了一种基于Gabor特征和Fisher判别准则核字典学习的激光打印文件鉴别算法。首先提取字符图像的Gabor幅值特征,同时将Gabor数据特征映射到高维核空间进行主成分分析;再将降维的特征作为初始字典,进行基于Fisher判别准则的字典学习;最后利用稀疏表示分类方法进行鉴别。在自建数据库上的实验结果表明Gabor特征在打印文件机源认证中是一种有效的鉴别特征,实验结果还验证了Gabor特征和Fisher判别准则核字典学习算法的有效性,打印文件源打印机正确鉴别率可达95.79%。     

基于S变换的电能质量扰动支持向量机分类识别

采用s变换和支持向量机进行电能质量扰动的分类识别。作为连续小波变换和短时傅立叶变换的发展，S变换引入了宽度与频率成反向变化的高斯窗，具有与频率相关的分辨率。由于S变换具有良好的时频特性，因而非常适合于进行电能质量扰动信号特征提取。首先通过S变换进行扰动信号特征提取，然后构造支持向量机分类树进行扰动分类。算例表明该方案具有分类准确率高，对噪声不敏感，训练样本少等优点，是电能质量扰动识别的有效方法。     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。